시간적 사회 네트워크에서 원형 연결을 이용한 관계 측정

초록

본 논문은 시간에 따라 변하는 사회적 접촉 데이터를 활용해 ‘원형 연결(circle link)’이라는 새로운 메트릭을 정의하고, 이를 통해 친구 사이의 맥락적 관계와 친밀도 사이의 연관성을 분석한다. 세 개의 실험 데이터(학술 회의, 전시관, 대학 Wi‑Fi 로그)에서 원형 연결 가중치가 높은 쌍은 정적 네트워크에서 강한 연결 강도와 높은 클러스터링을 보이며, 이는 Granovetter의 약한 연결 가설을 시간적 맥락으로 확장한 결과이다. 또한 원형 연결을 기반으로 한 간단한 관계 예측 알고리즘이 높은 정밀도와 적당한 재현율을 달성함을 보인다.

상세 분석

본 연구는 기존 정적 네트워크 분석이 간과해 온 ‘시간적 연속성’에 초점을 맞추어, 대화 이벤트 스트림을 ego‑centric하게 재구성한 뒤 연속된 두 대화 파트너 사이에 발생하는 ‘원형 연결’ 개념을 도입한다. 원형 연결은 ego가 파트너 A와 대화를 마친 직후 파트너 B와 대화를 시작하는 경우를 하나의 사건으로 보고, 이러한 연속 패턴이 발생한 횟수를 가중치로 축적한다. 이 정의는 두 파트너가 공통의 제3자와 빈번히 교차 대화를 나눌 때, 그들 사이에 잠재적인 사회적 연결이 형성될 가능성을 정량화한다는 점에서 의미가 크다.

데이터는 RFID 기반 근접 접촉 기록(HT, SG)과 Wi‑Fi 로그인 로그(WF)로 구성되며, 각각 3일간의 시간적 네트워크를 생성한다. 각 네트워크는 노드 수, 이벤트 수, 에지 수, 희소도 등 기본 통계가 제시되며, 특히 WF 데이터는 다른 두 데이터셋에 비해 밀도가 현저히 높아 시간적 클러스터링 효과를 검증하는 데 유리하다.

연속성 측정을 위한 엔트로피 기반 지표(H₁, H₂)를 도입해, 조건부 엔트로피(H₂)가 무조건부 엔트로피(H₁)보다 낮은 것을 확인한다. 이는 현재 파트너와의 대화 정보가 다음 파트너를 예측하는 데 유용함을 의미한다. 이러한 통계적 근거 위에 원형 연결 가중치 W_CL(i,j)를 정의하고, 네트워크 전체 평균 W_CL을 구한다.

‘Self Circle Rate(SCR)’를 통해 ego가 동일 파트너와 연속 대화를 하는 비율을 측정하고, 무기억 가설(null)과 비교한다. HT 데이터에서는 SCR이 무기억 가설보다 현저히 높아 기억 메커니즘이 작동함을, SG에서는 거의 무작위 수준, WF에서는 오히려 낮아 현재 파트너와 바로 다음 파트너가 겹치지 않는 경향을 보인다. 이는 상황에 따라 기억 혹은 회피 메커니즘이 달라짐을 시사한다.

다음으로 원형 연결 가중치와 정적 네트워크의 전통적 메트릭(에지 가중치 W_L, 클러스터링 계수 C_CL) 사이의 피어슨 상관관계를 분석한다. 모든 데이터셋에서 W_CL과 W_L 사이의 상관계수 ρ_WL,WCL는 0.50.74 사이로 양의 상관을 보이며, 연속 대화가 빈번한 쌍이 정적 네트워크에서도 강한 연결을 형성한다는 Granovetter 가설의 시간적 확장판을 뒷받침한다. 반면 C_CL과 W_CL 사이의 상관은 데이터셋에 따라 차이를 보인다. 얼굴‑대‑얼굴 네트워크(HT, SG)에서는 낮은 상관(≈0.20.3)인 반면, 실내 Wi‑Fi 네트워크(WF)에서는 높은 상관(≈0.7)으로, 다중 인원이 동시에 교류하는 환경에서 원형 연결이 클러스터링과 강하게 연관됨을 보여준다.

관계 예측 방법은 단순히 W_CL>0이면 잠재적 관계가 존재한다고 가정하고, 실제 정적 네트워크의 에지 존재 여부(W_L>0)와 비교한다. 이진 분류 결과는 정밀도(Precision)와 재현율(Recall)로 평가했으며, HT와 SG에서는 정밀도가 0.440.57 수준, WF에서는 0.780.85로 높은 정밀도를 기록한다. 재현율은 데이터셋마다 차이가 크지만, 특히 SG는 0.57~0.65로 비교적 높다. 높은 정밀도의 원인은 W_CL과 W_L, 그리고 C_CL 사이의 높은 양의 상관관계이며, 특히 WF 데이터에서 높은 네트워크 클러스터링이 정밀도 향상에 기여한다는 T‑test 결과가 뒷받침된다(p‑value < 0.005).

결론적으로, 원형 연결은 시간적 맥락을 반영한 관계 강도 지표로서, 기존 정적 메트릭과 보완적인 정보를 제공한다. 기억 메커니즘의 존재 여부는 상황에 따라 다르며, 이를 고려한 모델링이 필요하다. 또한 원형 연결 기반의 간단한 예측 알고리즘이 제한된 센서 환경에서도 유의미한 관계 추론을 가능하게 함을 입증한다. 향후 연구에서는 원형 연결의 방향성, 시간 창(window) 최적화, 그리고 대규모 실시간 스트리밍 데이터에 대한 확장성을 탐구할 여지가 있다.